назад Оглавление вперед


[Старт] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [ 23 ] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43]


23

О 50-

1976 D J 1977 □ J ,97g

Время

D J 1979

Рис. 6.6.(a). Данные с линейным и сезонно-аддитивным

трендом

13 12

И , 1(1 9

г I а г • I I . р

i > J • i t . J J , 1 i i

Автокорреляция

8.3+42l 0.29953 Li2i76 «. 00993 -8.16947 -0. 30375 -0. 42020 -0.33109 -0.08590 0.03574 0.23498 D. 385S3 0.54027 0.38634 0.11838 0.01165 -0.17618 -0.39970 -0.<?416 -0,39163 . -0,55003 0.05710

0,17567 0.54702



<1 :

t i. -"""" ---1 \

1 1 I

• i *

л.I.M.I

1.1.1.1.1.1.1.LI.I.Ы.1,1.

Рис. 6.6(b). Автокоррелограмма данных с линейным и сезонно-аддитнвным трендами (первые разности)

НО вертикали на некоторый угол, указывает на наличие в исходном ряду линейного и сезснно-агдитивного трендов.

Если в подобной ситуации тренд исключить переходом к первым разностям, то график соответствующей автокоррелограммы (рис. 6.6 в)) будет строго вертикален, и сезонность будет носить уже не такой ярко выраженный характер. Однако более детальное исследование автокоррелограммы в рассматриваемом примере позволяет увидеть, что форма изменения значений коэффициентов автокорреляции на отрезке 1-12 повторяется на отрезке 13-24 лагов (последний лаг был исключен ЭВМ, поэтому достраивать его пришлось вручную). Значения коэффициентов автокорреляции, лежащих за пределами 95%-ной доверительной полосы, указывают на присутствие сезонных колебаний.

Четыре случая, рассмотренные в этой главе, - типичные примеры поведения экономических данных. Было показано, как с помощью автокорреляционного анализа построением автокоррелограммы для нулевых и первых разностей можно идентифицировать модель тренда.

0ЛО496 -0.23563 0,03601 0.26036 0,13446 -0.50266 -0.10651) 0.28963 11.01350 -8.31510 0.15028 5.57724 0.10994 -0.29344 -0.00423 0.38205 -0.21466 -8,72214 -8.07270 0.38918 -8.03199 -0.40825 0.07173

22 21 20 19 18 17 If. 15 К 13 12 И 10

г г 1



ЧАСТЬ li

МЕТОДЫ

СРЕДНЕСРОЧНОГО

ПРОГНОЗИРОВАНИЯ

(РЕГРЕССИЯ

И КРИВОЛИНЕЙНОЕ

ВЫРАВНИВАНИЕ)

ВВЕДЕНИЕ

Среднесрочное прогнозирование, как правило, целесообразно в случаях, когда:

1) имеются ежегодные данные и их можно взять из официальных источников;

2) прогндаы являются одноразовыми, т. е. не повторяются и не подцрадляются (адаптируются) с поступлением новых данных;

3) прогнозы осуществляются для временных рядов относительно малой длины;

4) прогнозируется, например, динамика не отдельного объекта или спроса на нек;оторый товар, а процесса, имеющего более общую природу, такого, как объем капиталовложений, прибыли или суммы продаж на некотором рынке товаров.

Очевидно, что в подобных случаях прогностические модели до/1Ж-1Ш (йзггь достаточно сложными, в частности, более сложными, чем модели краткосрочного прогнозирования, описанные в первой части/ Метод линейто* регрессии, когда прямая линия подбирается так, чтобы наилучш! образом аппроксимировать наблюдаемые значения, оказался достаточно надежным, а соответствующая статистическая модель досзточно обоснсшнной. Этот метод, который на самом деле может )идьзоваться не только для линейных, но и для криволинейных perffeccHfi, одновременно сочетает в себе не только относительную простоту вычислений, связанных с применением метода, но и возможность описания достаточно iiinpoKoro класса процессов. В конечном счете регрессионной н криволинейное выравнивание чуть ли не единственный щособ построения среднесрочных прогнозов.

[Старт] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [ 23 ] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43]